Este proyecto tiene como objetivo procesar y transformar el conjunto de datos geográficos del Mapa Escolar, con el fin de integrarlos en el ecosistema de OpenStreetMap (OSM) mediante la plataforma MapRoulette.

El flujo de trabajo incluye la limpieza y estandarización del dataset original, el enriquecimiento de los registros con etiquetas (tags) compatibles con el esquema de OSM (como amenity=school, isced:level, operator:type, entre otros), y la generación de una capa geoespacial apta para su análisis y edición colaborativa.

Posteriormente, los datos son convertidos a un formato GeoJSON que puede ser cargado en MapRoulette, permitiendo a la comunidad validar, corregir y completar los datos directamente sobre el mapa, respetando las convenciones del modelado en OSM.

Proyecto en GitHub

De esta manera, se busca mejorar la cobertura, precisión y semántica de la información educativa en OpenStreetMap, especialmente en zonas donde los datos están incompletos o desactualizados.

library('sf')
## Linking to GEOS 3.12.1, GDAL 3.8.4, PROJ 9.4.0; sf_use_s2() is TRUE
#sudo apt update
#sudo apt install build-essential libgdal-dev libgeos-dev libproj-dev libudunits2-dev libglpk-dev
#install.packages("Rcpp")
#install.packages("terra")
#install.packages("mapview")
#install.packages("geosphere")
#install.packages("shadowtext")
#install.packages("osmdata")

library(dplyr)
## 
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library('mapview')
library(geosphere)

library(stringr)


library(grid)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.0     ✔ readr     2.1.5
## ✔ ggplot2   3.4.4     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ purrr::%||%()   masks base::%||%()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(shadowtext)

library(osmdata)
## Data (c) OpenStreetMap contributors, ODbL 1.0. https://www.openstreetmap.org/copyright
BLUE <- "#076fa2"
RED <- "#E3120B"
BLACK <- "#202020"
GREY <- "grey50"

Carga de datos:

gdf <- st_read("Unidades Educativas Locales 30-06-2025.geojson")
## Reading layer `Unidades Educativas Locales 30-06-2025' from data source 
##   `/home/juan/PLAT/PIRS/Escuelas/Escuelas/Unidades Educativas Locales 30-06-2025.geojson' 
##   using driver `GeoJSON'
## Simple feature collection with 21568 features and 55 fields
## Geometry type: POINT
## Dimension:     XY
## Bounding box:  xmin: -63.38269 ymin: -40.8115 xmax: -56.67471 ymax: -33.29664
## Geodetic CRS:  WGS 84
#Dataset reducido
#gdf <- gdf[4000:4300,]

Solamente me quedo con las columnas que pueden ser importadas a OpenStreetMap

columnas_clave <- c("cueanexo",
                   "nombre","calle","nro","calle_lateral_derecha",
                   "calle_lateral_izquierda","localidad","codigo_postal",
                   "caracteristica_telefonica","nro_telefono",
                   "email","sector","cui",
                   "latitud","longitud","nivel","turnos","id_nivel","geometry")

dataset_reducido <- gdf[, c(columnas_clave)]
#mapview(dataset_filtrado)

Escuelas cercanas

Para Advertir al mapeador de que posiblemente haya multiples instituciones en esa ubicacion geografica:

Esta toma 4 minutos procesarlo

#filtro para tener solo jardines, primarias, secundarias y superiores,
df <- dataset_reducido[dataset_reducido$id_nivel < 6, ]
#saco los lvl 4
#df <- df %>%
#  filter(id_nivel != 4)



# Crear la columna vacía
df$cercania <- NA
df$cercanos <- NA

# Calcular para cada fila
for (i in 1:nrow(df)) {
  
  # Coordenadas del registro i
  coord_i <- c(df$longitud[i], df$latitud[i])
  
  # Calcula distancias a todos los registros
  distancias <- distHaversine(coord_i, cbind(df$longitud, df$latitud))
  
  # Elimina su propia distancia
  distancias[i] <- Inf
  
  # Cuenta cuántos están a menos de 100 m
  cantidad <- sum(distancias < 100)
  
  # Asigna a la columna "cercanos"
  df$cercanos[i] <- cantidad
  
  # Categoriza en "cercania"
  if (cantidad > 0) {
    if(cantidad == 1){
      df$cercania[i] <- paste( "Hay un registro cercano en un radio de 100m")
    }else{
      df$cercania[i] <- paste( "Hay", cantidad, "registros cercanos en un radio de 100m")
    }
  } else {
    df$cercania[i] <- "No hay registros cercanos en un radio de 100m"
  }
}



#table(df$cercania)
barplot(table(df$cercanos), 
     main = "Cercanias",
     xlab = "Cantidad",
     ylab = "Frecuencia Absoluta", 
     col = "lightblue",
     border = "black")

df$cercanos <- as.factor(df$cercanos) #tiene que estar como factor para que lo tome
#mapview(df)

#mapview(df, zcol = "cercanos")
#agarro una columna para meter despues otras 
dosm <- df[, "email"]
dosm$latitud <- df$latitud
dosm$longitud <- df$longitud
df <- df %>%
  mutate(`isced:level` = as.integer(case_when(
    id_nivel == 1 ~ 0,
    id_nivel == 2 ~ 1,
    id_nivel == 3 ~ 2,
    id_nivel == 4 ~ 3,
    id_nivel == 5 ~ 2
  )))
dosm$`isced:level` <- df$`isced:level`


dosm <- dosm %>%
  mutate(`amenity` = case_when(
    `isced:level` == 0~ "kindergarten",
    `isced:level` == 1 ~ "school",
    `isced:level` == 2 ~ "school",
    `isced:level` == 3 ~ "college",
  ))


#Dedicada para instruccion 
dosm <- dosm %>%
  mutate(`tipo` = case_when(
    `isced:level` == 0~ "el jardín",
    `isced:level` == 1 ~ "la escuela",
    `isced:level` == 2 ~ "la escuela",
    `isced:level` == 3 ~ "el colegio",
  ))


df <- df %>%
  mutate(`operator:type` = case_when(
    sector == 'Estatal' ~ "public",
    sector == 'Privado' ~ 'private'
  ))

dosm$`operator:type` <- df$`operator:type`  


df <- df %>%
  mutate(`addr:housenumber` = case_when(
    nro == 'S/N' ~ "No hay altura registrada",
    nro != 'S/N' ~ nro
  ))
dosm$`addr:housenumber` <- df$`addr:housenumber` 

dosm$`ref:cue` <- df$cueanexo
dosm$`ref:cui` <- df$cui
dosm$`ref:cue` <- str_replace_all(dosm$`ref:cue`, ",", ";")
dosm$`ref:cui` <- str_replace_all(dosm$`ref:cui`, ",", ";")

dosm$`addr:postcode` <- df$codigo_postal
#Deteccion de escuelas especiales

df <- df %>%
  mutate(es_especial = ifelse(
    str_detect(nombre, regex("ESPECIAL", ignore_case = TRUE)),
    "   * education_for:disabled=yes",
    ""))
dosm$`education_for:disabled` <- df$es_especial
df <- df %>%
  mutate(`opening_hours` = case_when(
    turnos == '"DOBLE ESCOLARIDAD",INTERMEDIO' ~ "Mo-Fr 08:00-16:00",
    turnos == '"DOBLE ESCOLARIDAD"' ~ "Mo-Fr 08:00-16:00",
    turnos == '"DOBLE ESCOLARIDAD",INTERMEDIO,MAÑANA' ~ "Mo-Fr 08:00-16:00",
    turnos == '"DOBLE ESCOLARIDAD",INTERMEDIO,VESPERTINO' ~ "Mo-Fr 08:00-21:30",
    turnos == '"DOBLE ESCOLARIDAD",INTERMEDIO,MAÑANA,TARDE' ~ "Mo-Fr 08:00-16:00",
    turnos == '"DOBLE ESCOLARIDAD",MAÑANA' ~ "Mo-Fr 08:00-16:00",
    turnos == '"DOBLE ESCOLARIDAD",MAÑANA,NOCHE' ~ "Mo-Fr 08:00-22:30",
    turnos == '"DOBLE ESCOLARIDAD",MAÑANA,NOCHE,TARDE' ~ "Mo-Fr 08:00-22:30",
    turnos == '"DOBLE ESCOLARIDAD",MAÑANA,TARDE' ~ "Mo-Fr 08:00-16:00",
    turnos == '"DOBLE ESCOLARIDAD",MAÑANA,TARDE,VESPERTINO' ~ "Mo-Fr 08:00-21:30",
    turnos == '"DOBLE ESCOLARIDAD",MAÑANA,VESPERTINO' ~ "Mo-Fr 08:00-21:30",
    turnos == '"DOBLE ESCOLARIDAD",TARDE' ~ "Mo-Fr 08:00-16:00",
    turnos == '"DOBLE ESCOLARIDAD",TARDE,VESPERTINO' ~ "Mo-Fr 08:00-21:30",
    turnos == '"DOBLE ESCOLARIDAD",VESPERTINO' ~ "Mo-Fr 08:00-21:30",
    turnos == 'ALTERNADO,"DOBLE ESCOLARIDAD"' ~ "Mo-Fr 08:00-16:00",
    turnos == 'ALTERNADO' ~ "Mo-Fr 08:00-16:00",
    turnos == 'ALTERNADO,"DOBLE ESCOLARIDAD",MAÑANA' ~ "Mo-Fr 08:00-16:00",
    turnos == 'ALTERNADO,"DOBLE ESCOLARIDAD",MAÑANA,TARDE' ~ "Mo-Fr 08:00-16:00",
    turnos == 'ALTERNADO,INTERMEDIO,TARDE' ~ "Mo-Fr 12:00-16:00",
    turnos == 'ALTERNADO,MAÑANA' ~ "Mo-Fr 08:00-12:00",
    turnos == 'ALTERNADO,MAÑANA,NOCHE' ~ "Mo-Fr 08:00-12:00;Mo-Fr 18:30-22:30",
    turnos == 'ALTERNADO,MAÑANA,TARDE,VESPERTINO' ~ "Mo-Fr 08:00-21:30",
    turnos == 'ALTERNADO,MAÑANA,TARDE' ~ "Mo-Fr 08:00-16:00",
    turnos == 'ALTERNADO,NOCHE,VESPERTINO' ~ "Mo-Fr 16:00-22:30",
    turnos == 'ALTERNADO,TARDE' ~ "Mo-Fr 12:00-16:00",
    turnos == 'ALTERNADO,TARDE,VESPERTINO' ~ "Mo-Fr 16:00-21:30",
    turnos == 'ALTERNADO,VESPERTINO' ~ "Mo-Fr 17:30-21:30",
    turnos == 'INTERMEDIO' ~ "Mo-Fr 12:00-17:00",
    turnos == 'INTERMEDIO,MAÑANA' ~ "Mo-Fr 08:00-17:00",
    turnos == 'INTERMEDIO,MAÑANA,TARDE' ~ "Mo-Fr 08:00-17:00",
    turnos == 'INTERMEDIO,MAÑANA,TARDE,VESPERTINO' ~ "Mo-Fr 08:00-21:30",
    turnos == 'INTERMEDIO,MAÑANA,VESPERTINO' ~ "Mo-Fr 08:00-12:00;Mo-Fr 17:30-21:30",
    turnos == 'INTERMEDIO,TARDE' ~ "Mo-Fr 12:00-17:00",
    turnos == 'INTERMEDIO,VESPERTINO' ~ "Mo-Fr 12:00-21:30",
    turnos == 'MAÑANA' ~ "Mo-Fr 08:00-12:00",
    turnos == 'MAÑANA,NOCHE,TARDE' ~ "Mo-Fr 08:00-22:30",
    turnos == 'MAÑANA,NOCHE' ~ "Mo-Fr 08:00-12:00; Mo-Fr 18:30-22:30",
    turnos == 'MAÑANA,NOCHE,TARDE,VESPERTINO' ~ "Mo-Fr 08:00-22:30",
    turnos == 'MAÑANA,TARDE' ~ "Mo-Fr 08:00-17:00",
    turnos == 'MAÑANA,TARDE,VESPERTINO' ~ "Mo-Fr 08:00-21:30",
    turnos == 'MAÑANA,VESPERTINO' ~ "Mo-Fr 08:00-12:00; Mo-Fr 17:30-21:30",
    turnos == 'NOCHE' ~ "Mo-Fr 18:30-22:30",
    turnos == 'NOCHE,TARDE' ~ "Mo-Fr 13:00-22:30",
    turnos == 'NOCHE,TARDE,VESPERTINO' ~ "Mo-Fr 13:00-22:30",
    turnos == 'NOCHE,VESPERTINO' ~ "Mo-Fr 17:30-22:30",
    turnos == 'TARDE' ~ "Mo-Fr 13:00-17:00",
    turnos == 'TARDE,VESPERTINO' ~ "Mo-Fr 13:00-21:30",
    turnos == 'VESPERTINO' ~ "Mo-Fr 17:30-21:30",
    TRUE ~ NA_character_
  ))



dosm$`opening_hours` <- df$`opening_hours` 
#Escuelas cercanas

dosm$cercania <- df$cercania
dosm$cercanos <- df$cercanos

#Numero de telefono
df <- df %>%
  mutate(
    telefono = if_else(
      !is.na(caracteristica_telefonica) & !is.na(nro_telefono) & nro_telefono != "" & caracteristica_telefonica != "",
      paste0("+54 ", caracteristica_telefonica," ", nro_telefono),
      paste0("No hay telefono registrado")
    )
  )

dosm$`phone` <- df$telefono 


#Calles, calle derecha y izquierda
df <- df %>%
  mutate(
    calle_almacenada = if_else(
      !is.na(calle_lateral_derecha) & !is.na(calle_lateral_izquierda) & calle_lateral_derecha != "" & calle_lateral_izquierda != "",
      paste0(calle, " entre ", calle_lateral_derecha, " y ", calle_lateral_izquierda),
      paste0(calle)
    )
  )
dosm$calle <- df$calle_almacenada

#problemas:
# Localidad 
to_custom_title <- function(texto) {
  # Palabras que deben quedar en minúscula (excepto si están al principio)
  excepciones <- c("de", "la", "las", "los", "del", "y", "en", "el", "a", "al")

  # Pasar todo a título
  palabras <- strsplit(texto, " ")[[1]]
  palabras <- str_to_title(palabras)

  # Corregir excepciones (menos la primera palabra)
  palabras[-1] <- ifelse(tolower(palabras[-1]) %in% excepciones,
                         tolower(palabras[-1]),
                         palabras[-1])
  
  # Unir de nuevo
  paste(palabras, collapse = " ")
}

#Primera mayuscula y el resto minuscula
dosm$name <- paste0(
  toupper(substr(df$nombre, 1, 1)),
  tolower(substr(df$nombre, 2, nchar(df$nombre)))
)
#Elimina el "N°"
dosm$name <- str_replace(dosm$name, "n°\\s*", "")
dosm$name <- str_replace(dosm$name, regex("n°\\s*", ignore_case = TRUE), "")
dosm$name <- str_replace(dosm$name, regex("n[º°]\\s*", ignore_case = TRUE), "")
#Eliminar las comillas
dosm$name <- str_replace_all(dosm$name, '"', "")

dosm$name <- str_to_title(dosm$name)

dosm$name <- sapply(dosm$name, to_custom_title)

dosm$`official_name` <- sapply(df$nombre, to_custom_title)

Archivo para MapRoulette

st_write(dosm, "MR_UEL_salida_final.geojson", driver = "GeoJSON")
## Writing layer `MR_UEL_salida_final' to data source 
##   `MR_UEL_salida_final.geojson' using driver `GeoJSON'
## Writing 19562 features with 19 fields and geometry type Point.

Archivo para JOSM

df <- df %>%
  mutate(`addr:housenumber` = case_when(
    nro == 'S/N' ~ "",
    nro != 'S/N' ~ nro
  ))
dosm$`addr:housenumber` <- df$`addr:housenumber` 


df <- df %>%
  mutate(es_especial = ifelse(
    str_detect(nombre, regex("ESPECIAL", ignore_case = TRUE)),
    "yes",
    ""))
dosm$`education_for:disabled` <- df$es_especial



columnas_josm <- c("name","official_name","amenity","operator:type",
                    "addr:housenumber","ref:cue","ref:cui","isced:level","email","phone",
                    "addr:postcode","opening_hours","education_for:disabled","geometry")

djosm <- dosm[, c(columnas_josm)]

djosm$`addr:full` <- dosm$calle

st_write(djosm, "josm_UEL_salida_final.geojson", driver = "GeoJSON")
## Writing layer `josm_UEL_salida_final' to data source 
##   `josm_UEL_salida_final.geojson' using driver `GeoJSON'
## Writing 19562 features with 14 fields and geometry type Point.
mapview(djosm)
#para ver el recuento de categorias de turnos
table(dosm$`education_for:disabled`)
## 
##         yes 
## 18757   805

MapRoulette:

Descricion del desafio::

las escuelas estan ubicadas en datos oficiales pero no en OSM

#Instrucciones

Antes de Empezar:

En esta tarea, tenes que buscar {{tipo}}:

  • {{oficial_name}}
  • Ubicada en la calle:{{calle}}
  • {{latitud}}, {{longitud}}

Dificultad de la ubicacion:

  • {{cercania}}
  • Y la misma puede que este lejos de la ubicacion marcada.

Eres libre de utilizar otras fuentes para ubicar {{tipo}}

Si {{tipo}} ya esta en el mapa:

  • Solo hace un merge con el nodo proporcionado

En caso contrario:

  • Hay que agregar {{tipo}}.
  • Utiliza el nodo proporcionado
  • Deja una nota de que es lo que pasa {{tipo}} en particular.

Como minimo {{tipo}} deberia tener estos atributos:

  • name={{name}}
  • oficial_name={{oficial_name}}
  • amenity={{amenity}}
  • operator:type={{operator:type}}
  • addr:housenumber={{house:number}}
  • ref:cue={{ref:cue}}
  • isced:level={{isced:level}}
  • email={{email}}
  • phone={{phone}}
  • addr:postcode={{postcode}}
  • opening_hours={{opening_hours}} {{education_for:disabled}}

Changeset description

#UNLu #Escuelas_Provincia_Buenos_Aires_Argentina

#Mapa_Escolar_Buenos_Aires

#Calcular cuantos registros estan sin mapear, cuantos estan incompletos:

# 1. Definir el área geográfica
prov_bsas <- getbb("Provincia de Buenos Aires, Argentina", format_out = "matrix")

# 2. Crear la consulta Overpass para varios valores de isced:level
consulta <- opq(bbox = prov_bsas) %>%
  add_osm_feature(key = "isced:level", value = c("0", "1", "2", "3"))

# 3. Descargar los datos
resultado <- osmdata_sf(consulta)

# 4. Unir puntos, líneas y polígonos (algunos elementos están en distintas geometrías)
escuelas <- list(
  resultado$osm_points,
  resultado$osm_lines,
  resultado$osm_polygons,
  resultado$osm_multipolygons
) %>%
  purrr::compact() %>%     # Quita NULLs si alguna capa no tiene datos
  bind_rows()
total_filas <- nrow(escuelas)

dfe <- data.frame(
  columna = colnames(escuelas),
  no_nulos = colSums(!is.na(escuelas)),
  porcentaje_completo = round(colSums(!is.na(escuelas)) / total_filas * 100, 1)
)

dfe
##                                         columna no_nulos porcentaje_completo
## osm_id                                   osm_id     6557               100.0
## name                                       name     2740                41.8
## access                                   access        2                 0.0
## addr2:housenumber             addr2:housenumber        1                 0.0
## addr2:street                       addr2:street        1                 0.0
## addr:city                             addr:city     2358                36.0
## addr:country                       addr:country     1621                24.7
## addr:district                     addr:district        1                 0.0
## addr:full                             addr:full      225                 3.4
## addr:hamlet                         addr:hamlet        3                 0.0
## addr:housename                   addr:housename        7                 0.1
## addr:housenumber               addr:housenumber      912                13.9
## addr:place                           addr:place        5                 0.1
## addr:postcode                     addr:postcode     2373                36.2
## addr:province                     addr:province      186                 2.8
## addr:state                           addr:state        4                 0.1
## addr:street                         addr:street     1221                18.6
## addr:suburb                         addr:suburb      195                 3.0
## alt_name                               alt_name       32                 0.5
## amenity                                 amenity     2725                41.6
## barrier                                 barrier       38                 0.6
## branch                                   branch        1                 0.0
## building                               building      170                 2.6
## building:levels                 building:levels       40                 0.6
## capacity                               capacity        5                 0.1
## check_date                           check_date       38                 0.6
## contact:email                     contact:email      141                 2.2
## contact:facebook               contact:facebook       14                 0.2
## contact:instagram             contact:instagram        2                 0.0
## contact:mobile                   contact:mobile        1                 0.0
## contact:phone                     contact:phone      148                 2.3
## contact:website                 contact:website       12                 0.2
## denomination                       denomination        5                 0.1
## description                         description       50                 0.8
## designation                         designation        5                 0.1
## domicilio                             domicilio        1                 0.0
## door                                       door        1                 0.0
## education_for:disabled   education_for:disabled      224                 3.4
## email                                     email     1961                29.9
## entrance                               entrance      192                 2.9
## fixme                                     fixme       43                 0.7
## fixme:email                         fixme:email        1                 0.0
## full_name                             full_name        1                 0.0
## image                                     image        2                 0.0
## internet_access                 internet_access       15                 0.2
## internet_access:fee         internet_access:fee        2                 0.0
## internet_access:ssid       internet_access:ssid        1                 0.0
## isced:level                         isced:level     2745                41.9
## max_age                                 max_age       38                 0.6
## min_age                                 min_age       29                 0.4
## name:en                                 name:en        4                 0.1
## name:es                                 name:es        5                 0.1
## name:etymology:wikidata name:etymology:wikidata        4                 0.1
## name:pt                                 name:pt        1                 0.0
## nohousenumber                     nohousenumber        4                 0.1
## nombre                                   nombre        4                 0.1
## note                                       note        6                 0.1
## official_name                     official_name      524                 8.0
## old_name                               old_name        5                 0.1
## opening_hours                     opening_hours       98                 1.5
## operator                               operator       84                 1.3
## operator:short                   operator:short        8                 0.1
## operator:type                     operator:type     2003                30.5
## operator:wikidata             operator:wikidata        8                 0.1
## phone                                     phone     2055                31.3
## postal_code                         postal_code        2                 0.0
## preschool                             preschool        9                 0.1
## ref                                         ref       85                 1.3
## ref:CUE                                 ref:CUE        1                 0.0
## ref:cue                                 ref:cue     2515                38.4
## ref:cueanexo                       ref:cueanexo        7                 0.1
## ref:cui                                 ref:cui     1532                23.4
## ref:cui_dgcye                     ref:cui_dgcye      110                 1.7
## religion                               religion       17                 0.3
## shop                                       shop        1                 0.0
## short_name                           short_name       49                 0.7
## source                                   source      317                 4.8
## source:date                         source:date        1                 0.0
## start_date                           start_date        6                 0.1
## survey:date                         survey:date        2                 0.0
## website                                 website       58                 0.9
## wheelchair                           wheelchair       28                 0.4
## wikidata                               wikidata        2                 0.0
## Game_ID                                 Game_ID        1                 0.0
## addr                                       addr        2                 0.0
## addr:neighbourhood           addr:neighbourhood        2                 0.0
## area                                       area        1                 0.0
## building:colour                 building:colour        2                 0.0
## building:material             building:material        2                 0.0
## contact:fax                         contact:fax        1                 0.0
## contact:twitter                 contact:twitter        2                 0.0
## escuela                                 escuela        1                 0.0
## fee                                         fee        1                 0.0
## fence_type                           fence_type        3                 0.0
## grades                                   grades        4                 0.1
## height                                   height       14                 0.2
## landuse                                 landuse       16                 0.2
## layer                                     layer        1                 0.0
## office                                   office        5                 0.1
## polling_station                 polling_station        1                 0.0
## roof:colour                         roof:colour        1                 0.0
## roof:direction                   roof:direction        1                 0.0
## roof:levels                         roof:levels        5                 0.1
## roof:material                     roof:material        1                 0.0
## roof:shape                           roof:shape        6                 0.1
## source:url                           source:url        2                 0.0
## speciality                           speciality        2                 0.0
## surface                                 surface        1                 0.0
## wall                                       wall        1                 0.0
## wikimedia_commons             wikimedia_commons        1                 0.0
## wikipedia                             wikipedia        1                 0.0
## operator:ty                         operator:ty       11                 0.2
## type                                       type       11                 0.2
## geometry                               geometry     6557               100.0

#valores repetidos de cue # 769 valores repetidos 2 veces, # 391 valores repetidos 3 veces, # 65 valores repetidos 4 veces, # 10 valores repetidos 5 veces,

#valores repetidos de cue
# 769 valores repetidos 2 veces,
# 391 valores repetidos 3 veces,
# 65 valores repetidos 4 veces,
# 10 valores repetidos 5 veces,
# creo que es porque la misma escuela tiene primaria y secundaria 
tabla_repetidos <- as.data.frame(table(gdf$cueanexo))
colnames(tabla_repetidos) <- c("valor", "frecuencia")


tabla_repetidos <-tabla_repetidos %>% filter(frecuencia > 5)
tabla_repetidos
## [1] valor      frecuencia
## <0 rows> (o 0- extensión row.names)
#valores repetidos de cui
# 3149 valores repetidos 2 veces,
# 1988 valores repetidos 3 veces,
# 358 valores repetidos 4 veces,
# 76 valores repetidos 5 veces,
# 23 valores repetidos 6 veces,
# 10 valores repetidos 7 veces,
# 3 valores repetidos 8 veces
# creo que es porque la misma escuela tiene primaria y secundaria 
tabla_repetidos <- as.data.frame(table(gdf$cui))
colnames(tabla_repetidos) <- c("valor", "frecuencia")


tabla_repetidos <-tabla_repetidos %>% filter(frecuencia == 9)
tabla_repetidos
## [1] valor      frecuencia
## <0 rows> (o 0- extensión row.names)